![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
AI
文章平均质量分 59
Eric Woo X
Geek。计算机博士在读,专注人工智能、深空探测。
展开
-
Python 使用 Detectron2 进行目标检测 (Detectron2, CenterNet2, Detic)
Detectron2是由Facebook AI Research开发的一个用于目标检测和实例分割的开源库。它提供了一系列预训练模型和灵活的配置系统,使得用户可以方便地进行模型训练和推理。支持多种目标检测和分割任务,如Faster R-CNN、Mask R-CNN等。提供模块化设计,易于扩展和定制。高效的训练和推理性能,支持GPU加速。代码展示了如何使用 Detectron2 结合 CenterNet2 和Detic 进行目标检测,并支持从摄像头或视频文件中读取图像进行处理。原创 2024-07-30 16:23:33 · 411 阅读 · 0 评论 -
解决 Python 中 AttributeError: module ‘typing‘ has no attribute ‘_ClassVar‘
启动 Flask 的时候遇到错误,卸载 dataclasses原创 2024-07-30 15:55:48 · 216 阅读 · 0 评论 -
Python .whl 独立安装和全部依赖安装命令
安装 Flask 全部依赖包和自己。原创 2024-07-30 15:42:48 · 270 阅读 · 0 评论 -
锚定效应、算法公平性与情感人工智能信息透明性的局限性 The Anchoring Effect, Algorithmic Fairness, and the Limits of Information
情感人工智能(AI)或情感识别AI在识别不同人口群体的面部表情和情感方面可能存在系统性的差异,导致评分上的不一致和差异。本文探讨了在考虑两个相对立的因素下,个体在多大程度上能够补偿这些差异和不一致性;尽管人类进化出了识别情感,特别是快乐的能力,但他们也会受到认知偏见的影响,比如锚定效应。为了理解这些动态,本研究要求三种商业化的情感AI和一组人工标注者从两个图像数据集中识别情感。对情感AI和人工标注者生成的评分进行了推理不一致性(即面部表情和情感标签之间的不匹配)检查。翻译 2024-07-12 11:13:00 · 57 阅读 · 0 评论 -
Point Cloud Library (PCL) for Python - pclpy 指南 (2) - 读取及可视化
导入pclpy库中的pcl模块,用于处理点云数据。numpy库用于处理数值数据。原创 2024-07-11 20:13:01 · 636 阅读 · 0 评论 -
Point Cloud Library (PCL) for Python - pclpy 指南 (1) - 安装步骤
3. 确认 pip 的 Python 版本为 3.6。2.确认 Python 版本为 3.6.x。4. 安装 pclpy 0.11.0。以下所有的版本号务必按照说明安装。1.安装 Python 3.6。5.检测 pclpy 安装成功。原创 2024-07-11 17:33:44 · 305 阅读 · 0 评论 -
使用机器学习 最近邻算法(Nearest Neighbors)进行点云分析 (scikit-learn Open3D numpy)
最近邻算法是一种基于距离的算法,它通过计算数据点之间的距离来查找给定数据点的最近邻居。常用的距离度量包括欧氏距离、曼哈顿距离和余弦相似度等。最近邻算法的优点在于简单易懂且无需假设数据的分布形式,适用于各种类型的数据。原创 2024-07-10 11:21:17 · 616 阅读 · 1 评论 -
精确物体检测和语义分割的丰富特征层次结构Rich feature hierarchies for accurate object detection and semantic segmentation
在本文中提出了一种简单且可扩展的检测算法,相对于VOC 2012先前的最佳结果,平均精度(mAP)提高了30%以上,达到了53.3%的mAP。由于本文将区域提议与CNN结合在一起,因此将此方法称为R-CNN:具有CNN特征的区域。本文还将R-CNN与OverFeat进行了比较,后者是一种基于类似CNN架构的滑动窗口检测器。(2)在标记的训练数据稀缺时,针对辅助任务进行监督预训练,然后进行领域特定的微调,可以显著提高性能。(1)可以将高容量的卷积神经网络(CNN)应用于自下而上的区域提议,以定位和分割物体;原创 2024-03-20 23:00:07 · 283 阅读 · 0 评论 -
ImageNet Classification with Deep Convolutional Neural Networks - 使用深度卷积神经网络进行ImageNet分类
在测试数据上,实现了39.7%的top-1错误率和18.9%的top-5错误率,这比以前的最先进结果要好得多。这个神经网络有6000万个参数和500,000个神经元,由五个卷积层组成,其中一些后面跟着最大池化层,并且有两个全局连接层,最后是一个1000路softmax。为了减少全局连接层的过拟合,采用了一种新的正则化方法,证明非常有效。文章训练了一个大型的深度卷积神经网络,将LSVRC-2010 ImageNet训练集中的130万张高分辨率图像分类为1000个不同的类别。原创 2024-03-20 20:42:38 · 290 阅读 · 0 评论